企业官网建设流程全解析

AI_NovelGenerator本地部署教程：从零搭建小说生成环境到产出第一部设定

【免费下载链接】AI_NovelGenerator使用ai生成多章节的长篇小说，自动衔接上下文、伏笔项目地址: https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator

AI_NovelGenerator是一款基于大模型的图形化长篇小说生成工具，它能自动衔接章节上下文、管理伏笔，解决多章写作时剧情断裂、设定前后矛盾的问题。按本教程完成本地部署后，你会得到一个开箱即用的小说工作台：输入主题，就能依次产出设定、目录和章节草稿。

它适合三类人：想用AI批量产出长篇的网文作者；希望作品数据留在本地的用户（设定、章节文本、向量库都存在本机）；以及跑 Ollama 这类本地模型的开发者——本地模型走 OpenAI 兼容协议，不需要买云 API。整个部署过程半小时以内可以完成，想深入用法时再翻中文文档即可。

先把环境前置项核对一遍

这一节在动手安装之前，把必须到位的四样东西核一遍，避免装到一半卡住再回头补。

1. Python 3.9+（运行程序的编程语言解释器）：3.10–3.12 兼容性最好；安装时勾选 Add Python to PATH。终端执行python --version应输出 3.9 及以上。
2. pip（Python 自带的包管理器）：用来一次性安装项目全部依赖，无需单独配置。
3. 至少一个可用的 LLM 服务：云端 API（OpenAI、DeepSeek 等），或 Ollama 这类兼容 OpenAI 协议的本地服务，关键是手里要有有效密钥。
4. C++ 编译工具（可选）：部分依赖安装时要现场编译，只有报错时才需要它；Windows 装 Visual Studio Build Tools 并勾选「C++ 桌面开发」工作负载，Linux 装build-essential包。

完成判断：python --version能打印出版本号，且不低于 3.9，环境这一关就过了。

获取代码并安装依赖

这一节把你从零拉到「程序能跑起来」，全程只有三行命令。

git clone https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator cd AI_NovelGenerator pip install -r requirements.txt

动作 → 预期结果：执行第三条命令后，终端持续滚动安装日志，最后出现Successfully installed ...，说明chromadb（负责语义检索的向量数据库）、customtkinter（图形界面框架）等依赖全部就位。

[!TIP] 安装中途报编译错误（日志里出现error: command 'cl' failed或gcc字样），基本都是缺 C++ 构建工具。按上一节装上对应的编译环境后，重新执行安装命令即可，不用删掉已装的包。

完成判断：终端执行pip list，能同时看到customtkinter和chromadb，依赖环节就算结束。

给配置文件填好四个区块

这一节是部署的主要工作量，目的是告诉程序「用什么模型、写什么书、存到哪里」。项目自带模板config.example.json，先复制一份作为实际配置：

cp config.example.json config.json

config.json分为四个区块，各填各的：

• llm_configs（生成模型预设）：挑一个你有密钥的预设，填api_key、base_url、model_name三项；
• embedding_configs（向量化模型预设，把文字转成向量供检索用）：同样填密钥、地址、模型名，供长上下文召回；
• other_params（作品参数）：主题topic、类型genre、总章节数num_chapters、单章字数word_number、保存路径filepath；
• choose_configs（任务分配）：为设定、目录、草稿、定稿、审校五类任务各指定一个预设名，全填同一个最省事。

关键参数的推荐值和易错点集中在下表，对照着填：

[!WARNING] 用 Ollama 做 embedding 模型，要先ollama serve启动服务并ollama pull nomic-embed-text拉取模型；更重要的是，之后每切换一次 embedding 模型，就清空一次vectorstore/目录——不同模型产生的旧向量会混在一起，直接污染检索结果。

完成判断：打开config.json，至少一个 LLM 预设和一个 embedding 预设的密钥与地址完整，其余预设留空也没关系，之后随时能在图形界面设置区改。

启动图形界面并验证首次生成

部署到此只差临门一脚，这一节用一次真实生成确认模型链路真的通了。

python main.py

动作 → 预期结果：命令执行后弹出图形窗口，含设定、目录、章节编辑等分区。接着按顺序做三件事：

1. 核对回显：设置区里的模型名、主题应与config.json一致，不一致说明配置没被正确读取；
2. 设定可验证的参数：主题「废土世界的 AI 叛乱」、10 章、每章约 3000 字，保存路径指向一个刚创建的空目录；
3. 点击「Step1. 生成设定」：等日志区输出完毕，到保存路径下查看。

成功标准很具体：保存路径里出现含世界观、角色信息的Novel_setting.txt，说明 API 连接、模型调用、文件落盘三个环节全部打通，部署正式完成。日志区报连接错误的话，直接跳下一节自查。

常见故障现象自查

这一节给程序出问题时一个固定的查询入口，不用慌，按现象对号入座，都是「现象 → 原因 → 处理」的固定套路。

• 现象：生成时报Expecting value: line 1 column 1 (char 0)→ 原因：API 没返回合法 JSON（比如返回了报错页 HTML），多为密钥带空格或地址填错 → 处理：检查api_key首尾无空格，浏览器打开base_url确认地址可达。
• 现象：HTTP/1.1 504 Gateway Timeout→ 原因：API 服务侧不稳定或处理超时 → 处理：确认接口服务状态正常，把配置里的timeout调大后重试。
• 现象：pip install报编译错误 → 原因：缺 C++ 编译环境 → 处理：Windows 装 VS Build Tools（勾选 C++ 桌面开发）、Linux 装build-essential，再重跑安装。
• 现象：切换 embedding 模型后前文检索不准 → 原因：vectorstore/残留上一个模型产生的旧向量 → 处理：清空该目录，重新定稿章节把库重建一遍。
• 现象：python main.py不弹图形界面 → 原因：Python 版本超出范围或依赖没装全 → 处理：确认 Python 在 3.9–3.12 之间，重跑pip install -r requirements.txt。

部署工作到此全部结束。打开图形界面，用这部 10 章的作品把「生成设定 → 生成目录 → 章节草稿 → 定稿」完整跑一轮，定稿前顺手启用一次一致性审校，看看自动查错的效果。

【免费下载链接】AI_NovelGenerator使用ai生成多章节的长篇小说，自动衔接上下文、伏笔项目地址: https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator